Perfil multiómico basado en IA revela contribuciones omicas complementarias a la predicción personalizada de enfermedad cardiovascular

Por qué importa predecir los problemas cardíacos antes

Las enfermedades cardíacas y el ictus siguen siendo las principales causas de muerte en el mundo, a menudo afectando a personas aparentemente sanas sin aviso. Los médicos ya usan listas de verificación con edad, presión arterial, colesterol y tabaquismo para evaluar el riesgo, pero estas herramientas pueden pasar por alto a muchos futuros enfermos y sobrestimar el peligro en otros. Este estudio plantea una pregunta oportuna: si miramos más a fondo las moléculas que circulan en la sangre y las analizamos con inteligencia artificial, ¿podemos detectar la enfermedad cardiovascular años antes de que aparezca y adaptar la prevención a cada persona?

Buscando señales ocultas en la sangre

Los investigadores utilizaron el UK Biobank, un proyecto sanitario masivo que sigue a cientos de miles de voluntarios durante muchos años. Para un subconjunto de estos participantes, los científicos midieron cuidadosamente miles de moléculas en muestras de sangre: pequeños metabolitos relacionados con grasas, azúcares y aminoácidos, y proteínas implicadas en la inflamación, la coagulación y otros procesos corporales. El equipo se centró en seis principales afecciones cardiovasculares —enfermedad de las arterias coronarias, ictus, insuficiencia cardíaca, fibrilación auricular, enfermedad arterial periférica y trombosis venosa— para ver si estas huellas moleculares podían prever quién desarrollaría cada enfermedad.

Enseñar a la inteligencia artificial a leer patrones moleculares

Para interpretar casi 3.000 proteínas y 168 metabolitos, los autores desarrollaron dos modelos de aprendizaje profundo, MetNet y ProNet. En lugar de predecir una enfermedad a la vez, estos modelos aprendieron patrones relacionados con los seis desenlaces cardiovasculares a la vez. A partir de los datos de metabolitos, MetNet generó una puntuación combinada de riesgo llamada MetScore; a partir de los datos proteicos, ProNet produjo ProScore. Así, cada persona obtuvo seis puntuaciones por sistema —una para cada tipo de enfermedad cardiovascular— que resumían millones de interacciones moleculares posibles en un puñado de números que un modelo estadístico estándar podía usar junto con edad, presión arterial, medicación y riesgo genético.

¿Cuánto mejoran estas puntuaciones moleculares?

Cuando el equipo evaluó las puntuaciones en un grupo independiente de 24.287 personas con todos los tipos de datos disponibles, tanto MetScore como ProScore fueron potentes predictores por sí solos, separando claramente a los participantes en grupos de bajo, medio y alto riesgo durante 15 años de seguimiento. Las puntuaciones basadas en proteínas ofrecieron el mejor rendimiento, superando a menudo a las medidas tradicionales de riesgo poligénico (basadas en ADN) por un margen amplio. Añadir ProScore y MetScore a los factores clínicos convencionales mejoró la precisión de la predicción de riesgo para todos los desenlaces cardiovasculares estudiados, incluso cuando los modelos base ya eran detallados. En algunos casos, en particular para la enfermedad arterial periférica y la fibrilación auricular, el aumento en el rendimiento fue considerable, y los análisis de curvas de decisión sugirieron que los médicos podrían tomar decisiones más beneficiosas sobre quién debería recibir tratamiento preventivo.

Qué revelan las moléculas sobre la biología de la enfermedad

Más allá de la predicción, los investigadores preguntaron qué moléculas específicas eran más influyentes en los modelos de IA usando un método de explicación llamado SHAP. Confirmaron la importancia de marcadores familiares como la creatinina y la albúmina (que reflejan la función renal y la salud general), así como señales inflamatorias como GlycA y proteínas de estrés cardíaco como NT-proBNP. Al mismo tiempo, los modelos destacaron proteínas y metabolitos menos conocidos asociados con inflamación, coagulación, remodelado vascular e incluso daño nervioso, con patrones en parte compartidos y en parte específicos de cada enfermedad. Curiosamente, ninguna molécula aislada igualó el poder predictivo del MetScore o ProScore combinados, lo que subraya que el riesgo cardiovascular surge de muchos cambios sutiles que actúan juntos más que de un único culpable.

De los grandes datos a una atención cardíaca más personal

El estudio concluye que entrelazar genética, perfiles moleculares detallados de sangre y la información clínica rutinaria puede afinar de forma significativa nuestra visión de quién es probable que desarrolle enfermedades cardiovasculares importantes, a menudo con una década o más de antelación. Las mediciones proteicas, en particular, parecen aportar información rica y accionable sobre el estrés biológico en curso mucho antes de la aparición de síntomas. Si bien las pruebas necesarias aún no son comunes ni baratas, los costes están bajando y los autores han puesto su enfoque CardiOmicScore a disposición como herramienta prototipo. Con más validación en poblaciones más diversas, este perfilado multiómico impulsado por IA podría ayudar a los clínicos a pasar de listas de verificación igualitarias a una prevención verdaderamente personalizada: identificar antes a las personas de alto riesgo, adaptar los tratamientos a la biología subyacente y, potencialmente, reducir la carga global de las enfermedades cardíacas y vasculares.

Cita: Luo, Y., Zhang, N., Yang, J. et al. AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease. Nat Commun 17, 2269 (2026). https://doi.org/10.1038/s41467-026-68956-6

Palabras clave: predicción del riesgo cardiovascular, proteómica, metabolómica, aprendizaje profundo, biomarcadores